因子分析_IRM-KM范式

因子分析_IRM-KM范式

6.4.1　因子分析

由于因子分析的前提是变量间要有相关性，因此同英文关键词的分析步骤相同，首先要分析中文共词矩阵中关键词之间的相关性，然后抽取出中文关键词相关矩阵，进行因子分析。

1.相关性分析结果

由于本研究中中文共词矩阵的数据是不满足正态分布的离散型有序数据，鉴于此采用Spearman分析法分析54个中文关键之间的相关关系。在SPSS13.0中实现54个中文关键词的相关关系分析，得到表6-5所示的分析结果。

54个中文关键词Spearman相关分析（Correlations）表（部分）(www.guayunfan.com)

续表

表6-5的分析结果显示关键词之间的相关性分为三个级别：

①强相关性级别：表中标有“* *”的数字表明行、列相交的关键词之间相关度较高，属于强相关性级别，但相关系数并不高。

②较强相关性级别：表中标有“*”的关键词之间相关性较高，但相关系数更小。

③较弱相关性级别：表中没有“*”标志的关键词之间相关性较弱，其相关系数更小。

此外表中关键词之间相关系数有正负之分，正负号表明关键词之间的相关方向，正相关时正号省略，负相关有负号显示，负相关表明关键词分属不同的类别。

2.相关矩阵

通过上述共词矩阵的相关性分析，我们抽取出相关分析中的相关系数矩阵，进行因子分析，以进一步探讨关键词之间的关系。上述结果抽取的相关矩阵如表6-6。

表6-6　中文关键词相关矩阵(部分)

3.因子分析结果描述

同英文关键词的因子分析操作步骤一样，对抽取出的中文关键词相关矩阵进行因子分析，在完成因子分析相关操作之后，得到分析结果：表6-7、图6-1、表6-8。

表6-7　抽取因子旋转前后的总方差解释表(Total Variance Explained)

Extraction Method：Principal Component Analysis.(因子抽取方法：主成分分析)

表6-7是中文关键词相关矩阵的因子分析后得到的公因子抽取情况。结果表明有11个因子被提取，这11个因子累计方差解释贡献率为88.37%，也就是说，将54个关键词分为11个类别，就可解释中文知识管理领域88.37%的信息。其中，前三个因子解释的方差比例较高，分别达到22.719%、16.373%、12.788%，累计方差解释贡献率约为51.88%，这说明中文知识管理的研究存在三个重要研究领域。

从表6-8也可看到，经过平均正交旋转后，抽取的11个因子的方差解释贡献率发生了较大变化，这对解释和说明这11个因子的含义是有较大帮助的。

图6-1　因子个数碎石图

而与因子抽取相配套的因子个数碎石图则直观显示出因子分析的前九个因子类别是比较明晰的，这说明因子分析中将知识管理研究划分为9～11类都是合理的。下面将通过表6-8显示的旋转结果，分析因子分析中知识管理的类别关系。

表6-8　旋转后的因子提取结果(Rotated Component Matrix)

续表

续表

Extraction Method：Principal Component Analysis.(因子抽取方法：主成分分析)

Rotation Method：Equamax with Kaiser Normalization.(旋转方法：平均正交) Rotation converged in 32 iterations.(迭代收敛次数：25)

表6-8是经过平均正交旋转后简化的因子结构，简化后因子个数的确定采用特征值准则，提取因子的原则是：因子载荷的绝对值超过0.5的才被接受，超过0.7则认为对解释该因子有帮助。大部分的关键词都只被提取到一个因子中，但少数关键词则在多个因子中的载荷都超过0.5，这类关键词包括知识、信息、人力资源、创新、企业知识管理、知识创新6个关键词，表明这6个关键词在知识管理研究领域具有较大的交叉性和渗透性。另外还有学习型组织、管理模式、网络、电子商务、知识资源、知识链、办公自动化、知识管理系统8个关键词，因为因子载荷值小于0.5而不被接受。

因子提取结果产生11个公共因子，根据因子载荷大于0.7对命名帮助的原则，11个公共因子命名如表6-9。